Valkey: Creazione di un indice vettoriale

Questa documentazione fa parte della guida Ricerca vettoriale e RAG. Consulta la guida completa qui: Ricerca semantica, raccomandazioni e retrieval-augmented generation con Valkey.

👋 Benvenuto nella documentazione di Stackhero!

Stackhero offre una soluzione Valkey cloud pronta all'uso che garantisce numerosi vantaggi, tra cui:

• Interfaccia web Valkey Admin inclusa.
• Dimensione e trasferimento dei messaggi illimitati.
• Aggiornamenti semplici con un solo clic.
• Prestazioni ottimali e sicurezza avanzata grazie a un'infrastruttura privata e dedicata.

Risparmia tempo e semplificati la vita: bastano 5 minuti per provare la soluzione Valkey cloud hosting di Stackhero!

Dichiarate un campo vettoriale specificando la dimensione e la metrica di distanza. La dimensione deve corrispondere al vostro modello: ad esempio, 1536 per OpenAI text-embedding-3-small, oppure 768 per molti modelli open source.

FT.CREATE chunksIndex
  ON HASH
  PREFIX 1 chunk:
  SCHEMA
    content TEXT
    documentId TAG
    embedding VECTOR HNSW 6
      TYPE FLOAT32
      DIM 1536
      DISTANCE_METRIC COSINE

HNSW crea un indice a grafo, offrendo ricerche approssimative rapide anche quando la collezione cresce molto. È consigliato per collezioni superiori a qualche migliaio di vettori. Per collezioni piccole, potete usare FLAT per una ricerca esatta e brute-force.

COSINE è solitamente la metrica di distanza migliore per gli embeddings di testo. Sono supportate anche le metriche L2 e IP.